买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国人民解放军国防科技大学

摘要：本发明公开了一种基于IMM‑GMR模型的社会行为体位置预测方法，属于位置数据处理与预测技术领域。包括：获取社会行为体的坐标数据集，坐标数据集中的数据表征社会行为体的轨迹，对社会行为体的轨迹进行分段；对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于聚类簇的数量时，构建IMM‑GMR模型，用于预测社会行为体的轨迹。所述方法使得轨迹预测模型不再受限于单一移动模式，大幅提升对包含多移动模式的历史轨迹数据进行预测的准确率，实现了适配多移动模式的社会行为体位置的高精度预测。

主权项：1.一种基于IMM-GMR模型的社会行为体位置预测方法，其特征在于，所述方法包括：步骤S1、获取社会行为体的坐标数据集，所述坐标数据集中的数据表征所述社会行为体的轨迹，对所述社会行为体的轨迹进行分段；步骤S2、对经分段的各个轨迹段进行聚类分析，得到若干聚类簇，为每一个聚类簇构建对应的GMM模型；步骤S3、构建与各个GMM模型分别对应的GMR模型，当构建的GMR模型的数量等于所述聚类簇的数量时，构建IMM-GMR模型；其中，在所述步骤S3中：当构建的所述各个GMM模型的数量等于所述聚类簇的数量N时，构建与所述各个GMM模型分别对应的N个GMR模型；否则，重新为所述每一个聚类簇构建所述对应的GMM模型；其中，构建所述GMR模型具体包括，设训练数据集为测试数据集为为输入，为对应的输出，为关于的回归函数，为的预测值，则有： 其中，表示混合权重，表示第k个GMM模型的估计值；其中，在所述步骤S3中，当构建的各个GMR模型的数量等于所述聚类簇的数量N时，基于所述各个GMR模型构建所述IMM-GMR模型；其中，所述IMM-GMR模型表示为： 其中，表示第k+1个时刻位置，fk表示第k个非线性状态转移函数，wk表示预测过程噪声，zk表示第k个时刻的观测值，hk表示第k个非线性测量函数，vk表示测量过程噪声，设系统模型集为M＝{m1，m2，...，mn}，mk表示采样时刻k的有效模式，在无条件约束下，从mjk到mik+1为一阶马尔可夫过程，转移概率p{mjk|mik+1}记为πji，预测概率p{mjk|mik+1，zk}记为μj|ik，zk＝{z1，z2，...，zk}；其中，在所述步骤S3中，构建的所述IMM-GMR模型用于预测所述社会行为体的轨迹，具体包括：GMR模型mi在k时刻为系统匹配GMR模型的概率为模型概率p{mik|zk}，记为μik，其为基于滤波器输出的残差信息以及各模型先验信息πji的最大后验概率；对各个GMR模型的滤波输出进行加权融合，如下式所示： 其中，表示输入交互后的状态估计，混合了k时刻N个GMR模型的真值，表示GMR模型j在第k时刻的模型状态估计，μj|ik表示所述GMR模型i到所述GMR模型j的预测概率，P0ik为误差协方差阵；分别对所述各个GMR模型进行回归预测，得到每个GMR模型的k+1时刻的估计值，如下式所示： 其中，为所述GMR模型i中的预测值，滤波器输出残差εik表示为下式： 残差的协方差矩阵Sik如下式所示： 进行GMR模型匹配时，Sik为高斯白噪声，状态估计残差为0，则其似然函数Ξik如下式所示： 根据每个GMR模型的似然函数，对模型概率进行更新，如下式所示： 将各滤波估计结果根据模型概率进行融合，如下式所示：

全文数据：

权利要求：

百度查询： 中国人民解放军国防科技大学 一种基于IMM-GMR模型的社会行为体位置预测方法